In dieser Analyse untersuchen wir den Zusammenhang zwischen der Internetnutzung und der schulischen Leistung von Schülern. Wir betrachten, wie die Nutzung des Internets das Lernverhalten, die Motivation und die Ergebnisse der Schüler beeinflusst.
Durch die Analyse von Daten zur Internetnutzung und schulischen Leistung können wir wichtige Erkenntnisse gewinnen, die uns helfen, Bildungsstrategien zu verbessern und den Schülern dabei zu helfen, ihr volles Potenzial auszuschöpfen.
Wir werden verschiedene Variablen betrachten, wie z.B. die Zeit, die Schüler online verbringen, die Art der Internetnutzung (z.B. für schulische Zwecke oder Freizeitaktivitäten) und die Auswirkungen auf ihre schulischen Leistungen. Darüber hinaus werden wir auch demografische und sozioökonomische Faktoren berücksichtigen, um ein umfassendes Bild zu erhalten.
Zu Beginn werden die Daten geladen und eine explorative Datenanalyse durchgeführt, um die Verteilung der Variablen zu untersuchen und mögliche Zusammenhänge zu identifizieren. Anschließend werden wir verschiedene statistische Methoden anwenden, um den Zusammenhang zwischen Internetnutzung und Schülerleistung zu untersuchen.
import pandas as pd
import numpy as np
import plotly.express as px
import statsmodels.api as sm
# Load the data
pisa_math = pd.read_csv('pisaMathe.csv', index_col='Jahr', parse_dates=['Jahr'])
pisa_nature = pd.read_csv('pisaNatur.csv', index_col='Jahr', parse_dates=['Jahr'])
pisa_reading = pd.read_csv('pisaLese.csv', index_col='Jahr', parse_dates=['Jahr'])
internet_usage = pd.read_csv('internetNutzung.csv', index_col='Jahr', parse_dates=['Jahr']).xs('InternetMinuten', drop_level=False, axis=1)
print_usage = pd.read_csv('printNutzung.csv', index_col='Jahr', parse_dates=['Jahr'])
politics = pd.read_csv('politischesInteresse.csv', index_col='Jahr', parse_dates=['Jahr'])
music_school_attendance = pd.read_csv('schulerMusikschulen.csv', index_col='Jahr', parse_dates=['Jahr'])
music_schools = pd.read_csv('musikSchulenAnzahl.csv', index_col='Jahr', parse_dates=['Jahr'])
# Merge the data
data = pd.concat([pisa_math, pisa_nature, pisa_reading, internet_usage, print_usage, politics, music_school_attendance, music_schools], axis=1).sort_index().ffill().bfill()
data = data.loc['2000':]
data = data / data.iloc[0,:]
# plot pisa
fig = px.line(data, y=['Mathematik', 'Naturwissenschaften', 'Lesekompetenz'])
fig.update_layout(title='PISA Ergebnisse 2000-2024')
fig.update_yaxes(title='Punkte')
fig.show()
# plot activities
fig = px.line(data, y=['InternetMinuten',
'Bücher', 'Zeitschriften_Magazine', 'Tageszeitung',
'PolitikInteresse(prozent)', 'AnzahlSchuler'])
fig.update_layout(title='Aktivitäten 2000-2024')
fig.update_yaxes(title='Werte')
fig.show()
# fit a linear model
data['score'] = (data['Mathematik'] + data['Naturwissenschaften'] + data['Lesekompetenz']) / 3
X = data[['InternetMinuten', 'Bücher', 'Zeitschriften_Magazine', 'Tageszeitung', 'PolitikInteresse(prozent)', 'AnzahlSchuler']]
X = sm.add_constant(X)
y = data['score']
model = sm.OLS(y, X).fit()
model.summary()
| Dep. Variable: | score | R-squared: | 0.660 |
|---|---|---|---|
| Model: | OLS | Adj. R-squared: | 0.540 |
| Method: | Least Squares | F-statistic: | 5.498 |
| Date: | Mon, 01 Jul 2024 | Prob (F-statistic): | 0.00252 |
| Time: | 16:06:29 | Log-Likelihood: | 71.639 |
| No. Observations: | 24 | AIC: | -129.3 |
| Df Residuals: | 17 | BIC: | -121.0 |
| Df Model: | 6 | ||
| Covariance Type: | nonrobust |
| coef | std err | t | P>|t| | [0.025 | 0.975] | |
|---|---|---|---|---|---|---|
| const | 0.7467 | 0.149 | 5.018 | 0.000 | 0.433 | 1.061 |
| InternetMinuten | 0.0451 | 0.024 | 1.845 | 0.082 | -0.006 | 0.097 |
| Bücher | 0.0222 | 0.071 | 0.314 | 0.757 | -0.127 | 0.171 |
| Zeitschriften_Magazine | -0.0570 | 0.109 | -0.521 | 0.609 | -0.287 | 0.174 |
| Tageszeitung | 0.1791 | 0.069 | 2.579 | 0.020 | 0.033 | 0.326 |
| PolitikInteresse(prozent) | 0.0886 | 0.063 | 1.417 | 0.175 | -0.043 | 0.221 |
| AnzahlSchuler | -0.0034 | 0.045 | -0.074 | 0.942 | -0.099 | 0.092 |
| Omnibus: | 0.550 | Durbin-Watson: | 1.790 |
|---|---|---|---|
| Prob(Omnibus): | 0.760 | Jarque-Bera (JB): | 0.627 |
| Skew: | 0.144 | Prob(JB): | 0.731 |
| Kurtosis: | 2.262 | Cond. No. | 196. |